AI 是怎么挑出一个答案的

第一步理解意图：识别场景、约束与真正的决策目标。这一步取决于用户怎么问，不可控。

第二步拆分查询：Google 的官方指南把 query fan-out 与 RAG 一起列为 AI Overviews 与 AI Mode 的工作方式 —— 一个问题会被拆成多个子查询分别检索。这意味着一页不必回答完整问题，在某个子查询上是更好的答案就有机会被采用。

第三步检索候选：按语义距离召回，不是按关键词是否出现。所以主题聚焦的页面向量位置明确，容易被准确召回。

第四步重排序：在相关性之外，权威性、新鲜度与多来源一致性都在这一步起作用。这解释了「被召回」与「被采用」之间的落差。

第五步生成：把证据最充分的内容写进答案。措辞由模型决定，不可控。

针对检索：把每段写成能独立读懂、一页讲清一件事。片段检索取走的是段落，读到它的人看不到上下文。

针对重排序：给证据。Princeton 论文实测加统计数据、加引用来源、加引述三种写法带来 30–40% 的相对提升，正是因为这三样直接作用于「值不值得采信」。

引用是长尾分布：即便最常被引的域名，在单一平台的份额也很少超过 5%。目标是稳定进入来源列表，不是垄断它。

同一个问题在不同时间、地区、设备下的答案会变，所以单次观察说明不了任何事，要多次采样看分布。